申请/专利权人：飞础科智慧科技(上海)有限公司

申请日：2020-10-29

公开（公告）日：2020-11-27

公开（公告）号：CN112001922A

主分类号：G06T7/00(20170101)

分类号：G06T7/00(20170101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.02.02#授权;2020.12.15#实质审查的生效;2020.11.27#公开

摘要：本发明的目的是提供一种带电设备的缺陷诊断方法及设备，本发明克服了现有技术的不足，包括：将各种带电设备的热像图进行预处理得到灰度图；在所述灰度图中标出各个真实框，分别对各个真实框进行标记，以标记后的灰度图建立带电设备的检测数据集；将所述带电设备的检测数据集划分训练集、验证集和测试集；构建改进的FaserR‑CNN网络模型，FaserR‑CNN网络模型的训练。本发明可以对带电设备进行识别，对设备的故障进行初步诊断，本发明用算法代替人工进行自动识别，能够提升带电设备的检测精度，同时提升带电设备的故障的检测精度。本发明针对带电设备的红外热像检测及其故障诊断，检测精度高，检测速度快。

主权项：1.一种带电设备的缺陷诊断方法，其中，该方法包括：将各种带电设备的热像图进行预处理得到灰度图；在所述灰度图中标出各个真实框，分别对各个真实框进行标记，所述标记的内容包括每个真实框对应的带电设备的类型、是否故障、故障的位置及故障的类别，以标记后的灰度图建立带电设备的检测数据集；将所述带电设备的检测数据集划分训练集、验证集和测试集；构建改进的FaserR-CNN网络模型，包括：采用EfficientNet-B4作为骨干特征提取网络，所述骨干特征提取网络提取输入的训练集、验证集中的灰度图的特征图，以得到第一特征图（FM1）；边框生成网络利用生成的第一特征图（FM1）从边框生成网络的先验框中调整和筛选出候选框，其中，所述边框生成网络的先验框是根据训练集、验证集中故障的位置的面积大小设计为在第一特征图（FM1）的每个像素位置上分别采用三种面积像素并分别采用三种长宽比例的方式，共获得9个锚框；融合上下文的感兴趣区域池化模块利用生成的第一特征图（FM1）作为全局特征图，并利用候选框产生相应的局部特征图，基于全局特征图和局部特征图得到区域特征图（FM4）；分类和边框回归模块利用区域特征图（FM4）并结合位置敏感平均池化得到带电设备的类型和故障的类别，同时对所述候选框进行卷积和非极大值抑制获得预测框；FaserR-CNN网络模型的训练，包括：冻结所述骨干特征提取网络即EfficientNet-B4；训练边框生成网络，包括：将锚框经过卷积操作得到锚框的框选区域属于故障的概率、设备的概率以及锚框调整后的参数，进而基于故障的概率、设备的概率以及锚框调整后的参数将锚框调整为候选框，并基于骨干特征提取网络的总损失调整候选框；训练融合上下文的感兴趣区域池化模块以及分类和边框回归模块，并基于融合上下文的感兴趣区域池化模块和分类和边框回归模块的总损失进一步调整候选框；解冻骨干特征提取网络，并冻结骨干特征提取网络中的第1~4浅层卷积层，训练包括冻结第1~4浅层卷积层的骨干特征提取网络、边框生成网络、融合上下文的感兴趣区域池化模块以及分类和边框回归模块的整个网络权重，并基于骨干特征提取网络的总损失调整候选框；并基于融合上下文的感兴趣区域池化模块和分类和边框回归模块的总损失进一步调整候选框，以得到训练完成的改进的FaserR-CNN网络模型；采用所述测试集对训练完成的改进的FaserR-CNN网络模型进行评价，以得到优化的改进的FaserR-CNN网络模型；基于优化的改进的FaserR-CNN网络模型，实现对待检测的带电设备的热像图的缺陷诊断。

全文数据：

权利要求：

百度查询： 飞础科智慧科技(上海)有限公司 带电设备的缺陷诊断方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD